Update app.py

app.py

@@ -1,48 +1,137 @@
-import streamlit as st
-from moviepy.editor import VideoFileClip, AudioFileClip
-from transformers import MarianMTModel, MarianTokenizer
-import torch
-from gtts import gTTS
+import gradio as gr
 import os
+import torch
+import torchaudio
+from transformers import (
+    WhisperProcessor, WhisperForConditionalGeneration,
+    MarianMTModel, MarianTokenizer,
+    SpeechT5Processor, SpeechT5ForTextToSpeech
+)
+import ffmpeg
+import soundfile as sf
+import numpy as np
+
+# Configurações
+UPLOAD_FOLDER = "uploads"
+OUTPUT_FOLDER = "outputs"
+os.makedirs(UPLOAD_FOLDER, exist_ok=True)
+os.makedirs(OUTPUT_FOLDER, exist_ok=True)
+
+# Configurar dispositivo (GPU se disponível)
+device = "cuda" if torch.cuda.is_available() else "cpu"
+torch.backends.cudnn.benchmark = True  # Acelera GPU NVIDIA
+
+# Carregar modelos uma única vez (cache)
+WHISPER_MODEL = "openai/whisper-tiny"  # Modelo mais rápido
+TRANSLATION_MODEL = "Helsinki-NLP/opus-mt-tc-big-en-pt"  # Modelo alternativo
+TTS_MODEL = "microsoft/speecht5_tts"
+
+# Inicialização rápida dos modelos
+print("Carregando modelos...")
+whisper_processor = WhisperProcessor.from_pretrained(WHISPER_MODEL)
+whisper_model = WhisperForConditionalGeneration.from_pretrained(WHISPER_MODEL).to(device)
+
+translation_tokenizer = MarianTokenizer.from_pretrained(TRANSLATION_MODEL)
+translation_model = MarianMTModel.from_pretrained(TRANSLATION_MODEL).to(device)
+
+tts_processor = SpeechT5Processor.from_pretrained(TTS_MODEL)
+tts_model = SpeechT5ForTextToSpeech.from_pretrained(TTS_MODEL).to(device)
+
+# Funções otimizadas
+def transcribe_audio(audio_path):
+    waveform, sample_rate = torchaudio.load(audio_path)
+    waveform = waveform.to(device)
+    
+    # Processamento em chunks para áudios longos
+    inputs = whisper_processor(
+        waveform.squeeze().cpu().numpy(), 
+        sampling_rate=sample_rate, 
+        return_tensors="pt",
+        chunk_length_s=30  # Processar em chunks de 30 segundos
+    ).to(device)
+    
+    with torch.inference_mode():
+        predicted_ids = whisper_model.generate(**inputs)
+    
+    return whisper_processor.batch_decode(predicted_ids, skip_special_tokens=True)[0]
+
+def translate_text(text):
+    inputs = translation_tokenizer(text, return_tensors="pt", truncation=True).to(device)
+    with torch.inference_mode():
+        translated_ids = translation_model.generate(**inputs)
+    return translation_tokenizer.decode(translated_ids[0], skip_special_tokens=True)
 
-# Interface do Streamlit
-st.title("Tradutor de Vídeo com Áudio")
-uploaded_file = st.file_uploader("Carregue um vídeo para tradução", type=["mp4", "mov", "avi"])
-
-# Função para traduzir o áudio do vídeo
-def translate_audio(input_audio_path, output_audio_path, model_name='Helsinki-NLP/opus-mt-en-pt'):
-    tokenizer = MarianTokenizer.from_pretrained(model_name)
-    model = MarianMTModel.from_pretrained(model_name)
-
-    audio_clip = AudioFileClip(input_audio_path)
-    text = "Hello, how are you?"  # Simulação de transcrição
-    translated_text = translate_text(text, tokenizer, model)
-
-    tts = gTTS(translated_text, lang='pt')
-    tts.save(output_audio_path)
-
-# Função para traduzir o texto
-def translate_text(text, tokenizer, model):
-    inputs = tokenizer(text, return_tensors="pt", padding=True)
-    with torch.no_grad():
-        translated = model.generate(**inputs)
-    return tokenizer.decode(translated[0], skip_special_tokens=True)
-
-# Função para substituir o áudio no vídeo
-def replace_audio_in_video(input_video_path, input_audio_path, output_video_path):
-    video = VideoFileClip(input_video_path)
-    new_audio = AudioFileClip(input_audio_path)
-    video = video.set_audio(new_audio)
-    video.write_videofile(output_video_path, codec="libx264")
-
-# Processar o vídeo quando carregado
-if uploaded_file is not None:
-    input_video_path = "uploaded_video.mp4"
-    output_video_path = "translated_video.mp4"
+def synthesize_speech(text, output_path):
+    inputs = tts_processor(text, return_tensors="pt").to(device)
+    with torch.inference_mode():
+        speech = tts_model.generate_speech(inputs["input_ids"], tts_model.speaker_embeddings)
     
-    with open(input_video_path, "wb") as f:
-        f.write(uploaded_file.read())
+    # Converter para formato compatível com vídeo (44100 Hz, stereo)
+    sf.write(output_path, np.tile(speech.cpu().numpy(), (2, 1)).T, 44100, subtype='PCM_16')
+
+def process_video(video_path, output_path):
+    # Processamento paralelizado com FFmpeg
+    (
+        ffmpeg
+        .input(video_path)
+        .output(output_path, vcodec='copy', acodec='aac', strict='experimental')
+        .global_args('-loglevel', 'error')  # Reduzir logs
+        .run(overwrite_output=True, cmd='ffmpeg')
+    )
+
+# Fluxo principal otimizado
+def translate_video(video, progress=gr.Progress()):
+    try:
+        # Etapa 1: Extrair áudio
+        progress(0.1, "Extraindo áudio...")
+        audio_path = os.path.join(UPLOAD_FOLDER, "audio.wav")
+        (
+            ffmpeg
+            .input(video)
+            .output(audio_path, ac=1, ar=16000)
+            .global_args('-loglevel', 'error')
+            .run(overwrite_output=True)
+        )
+
+        # Etapa 2: Transcrição paralela
+        progress(0.3, "Transcrevendo...")
+        transcription = transcribe_audio(audio_path)
+
+        # Etapa 3: Tradução em lote
+        progress(0.5, "Traduzindo...")
+        translated_text = translate_text(transcription)
+
+        # Etapa 4: Síntese de voz acelerada
+        progress(0.7, "Sintetizando voz...")
+        synthesized_audio = os.path.join(UPLOAD_FOLDER, "synthesized_audio.wav")
+        synthesize_speech(translated_text, synthesized_audio)
+
+        # Etapa 5: Processamento final do vídeo
+        progress(0.9, "Montando vídeo...")
+        output_path = os.path.join(OUTPUT_FOLDER, "video_traduzido.mp4")
+        (
+            ffmpeg
+            .input(video)
+            .output(output_path, vcodec='copy', acodec='copy', map='0:v:0')
+            .input(synthesized_audio)
+            .global_args('-loglevel', 'error')
+            .run(overwrite_output=True)
+        )
+
+        return output_path
+
+    except Exception as e:
+        return f"Erro: {str(e)}"
+
+# Interface otimizada
+iface = gr.Interface(
+    fn=translate_video,
+    inputs=gr.Video(label="Vídeo de Entrada"),
+    outputs=gr.Video(label="Vídeo Traduzido"),
+    title="🚀 Tradutor de Vídeo Ultra-Rápido",
+    description="Carregue um vídeo e receba a versão em português com áudio traduzido!",
+    allow_flagging="never"
+)
 
-    process_video(input_video_path, output_video_path)
-    st.video(output_video_path)
-    st.download_button("Baixar Vídeo Traduzido", open(output_video_path, "rb"), "translated_video.mp4")
+if __name__ == "__main__":
+    iface.launch(server_port=7860, show_error=True)